使用 REGEXP_EXTRACT 不会给出预期的结果 - Hive

Question

我正在尝试在 Hive 中使用 REGEXP_EXTRACT 函数从列中获取所需的字符串。列中的数据格式为：

words\more_words

我需要提取\ 之后的字符串部分。我试着做这样的事情：

SELECT REGEXP_EXTRACT('words\more_words','(.*)(\\+)(.*)',3) -> returns nothing

SELECT REGEXP_EXTRACT('words\more_words','.*(\\+)(.*)',2) -> returns nothing

SELECT REGEXP_EXTRACT('words\more_words','\w+(\\+)(\w+)',2)-> returns nothing

SELECT REGEXP_EXTRACT('words\more_words','\\+(\w+)',1) -> returns nothing

我已验证上述所有正则表达式都匹配regex101.com 上的words\more_words（除了最后一个匹配\more_words 的正则表达式）。但是，我完全不知道为什么 hive 没有给出预期的结果。

我不确定我是否做错了什么。所以，为了验证，我这样做了：

SELECT REGEXP_EXTRACT('words\more_words','.*\\.*',0) -> returns 'wordsmore_words'

不确定为什么 \ 会从结果中删除。从技术上讲，正则表达式应该匹配整个字符串，结果应该是整个字符串，对吧？

如何提取 \ 之后的字符串部分？任何帮助，将不胜感激。谢谢！

Answer 1

单个文字反斜杠用'\\'定义。也就是说，如果字符串包含\，则应在字符串文字中使用两个反斜杠'\\'。

在正则表达式中，双文字反斜杠可用于匹配文字反斜杠。字符串模式 \\ 应写为 '\\\\' 以匹配单个文字反斜杠。

使用

SELECT REGEXP_EXTRACT('words\\more_words','.*\\\\+(.*)',1)

请注意，'words\\more_words' 是定义 words\more_words 文字字符串的字符串文字。

模式详情

• .* - 除换行符之外的任何 0+ 个字符，尽可能多
• \\\\+ - 1 个或多个文字 \ 字符
• (.*) - 捕获组 #1：除换行符之外的任何 0+ 字符，尽可能多（在 REGEXP_EXTRACT 函数的最后一个 1 参数的帮助下返回）。